今天介绍的文章是“Robust initialization of monocular visual-inertial estimation on aerial robots”——用于无人机单目视觉惯性估计的鲁棒初始化方法，该文章是香港科技大学沈邵劼老师的一篇经典文章，发表在ICRA2017。
由于视觉惯性系统的非线性，无论是基于滤波或基于图优化的方法，其估计器的性能都严重依赖于初始值的准确性。一旦初始化不良，不仅会降低收敛速度，甚至导致错误的估计。因此，鲁棒的初始化算法，对六自由度无人机的安全飞行而言是至关重要的。
但是，实际过程中，视觉惯性系统很难得到准确的初始状态。一方面，单目相机的尺度信息不能直接观测得到；另一方面，需要非零加速度的运动来初始化尺度信息。但在时间有限的搜救任务中，当MAV静止不动或者以固定模式运动时，这种初始化方法便会失效。不依赖无人机运动的先验知识，便能快速启动并初始化估计器是十分必要的。另外，在快速运动或强烈的光照变化下，视觉算法很难提取出丰富的特征点。一旦特征点跟踪丢失，估计器便会失效。因此，研究能在飞行中鲁棒初始化估计器的方法是必要的。
本文作者提出了一个鲁棒的估计器初始化算法，能够在飞行时为单目视觉惯性系统（VINS）提供高质量的初始状态。
图1.(a)本文方法初始化过程的结构图。(b)用于室内闭环实验，带前置相机的四旋翼飞行器。
如图1所示，视觉部分执行运动恢复结构 （Structure from Motion，SfM），建立相机姿态与特征点位置关系的结构图。IMU部分做预积分约束，得到尺度信息。将两部分结果对齐，可以校正陀螺仪偏差，并得到非线性紧耦合优化框架中的公制尺度，速度，重力矢量的初值。作者的方法可以无需知道任何关于系统状态和运动的先验信息，便能在各种情况下成功初始化。
最后，作者通过无人机公共数据集和实物实验中验证了本文算法的有效性。值得一提的是，非常感谢沈老师将很多论文的源码开放供大家学习，本文算法链接：https://github.com/qintony/M-VINS
图2.本文算法在EuRoC数据集上的运行结果。
图3.本文算法在室内/室外实验结果。Groundtruth分别采用OptiTrack和GPS的结果。
